Time 多元时间序列分类

我目前正在处理430个属性和大约80k个实例的时间序列。现在我想对每个实例（而不是整个ts）进行二进制分类。我找到的关于分类的所有东西都在谈论给整件事贴标签。 是否有可能使用类似SVM的方法对每个实例进行分类，而完全忽略数据的顺序性质，或者这只会导致一个非常糟糕的分类器？

---

还有哪些其他选项将每个实例分类，但仍将数据视为时间序列？

这当然取决于430属性中的数据， 数据类型，尤其是要解决的问题

在时间序列分析中，通常需要利用相邻点之间的依赖关系，即它们在时间上的变化方式。你可以在书中找到的例子通常谈论一个函数

f（t）：Time->Real

。如果我理解正确，您希望只关注430个属性之间的依赖关系（垂直依赖关系），而忽略水平依赖关系

如果我是你，我会首先尝试训练多个分类器（SVM、最大熵模型、多层感知器、随机森林、概率神经网络等等），并在你的问题框架内比较它们的预测性能

对于培训，您可以首先将所有430个属性作为特征提供给Maxent分类器（可以轻松处理数百万个特征）。 您还需要执行一些N次交叉验证，以查看分类器是否安装过度。然后选择最好的解决你的问题“足够好”

如果这种方法效果不好，还有其他想法：

• 包括t-1、t-2
• 通过尝试不同的特征子集来执行特征选择
• 导出新的时间序列，如移动平均值、小波谱。。。并将其用作新功能

---

Maxent分类器的一个很好的实现可以在中找到。

如果数据被标记，那么通过将属性连接在一起，使每个实例成为一个单独的长时间序列，并通过应用所谓的。这将为每个时间序列生成一个值向量，该向量可以输入SVM、随机森林或任何其他分类器。可能是，选择正确的Shapelet将允许您在对实例进行分类时关注单个属性

---

如果它没有标记，您可以先尝试应用程序来探索您的数据，然后继续进行上述shapelet转换。

正在为您的数据请求其他分类器……感谢shapelet转换论文的链接。@seninp我刚刚偶然发现了您的答案。出于好奇，您认为有可能对面板/横截面时间序列数据应用shapelet变换吗？在文献中，我通常只看到它应用于实际值的时间序列。